Spark中的键值对操作

1.PairRDD介绍

    Spark为包含键值对类型的RDD提供了一些专有的操作。这些RDD被称为PairRDD。PairRDD提供了并行操作各个键或跨节点重新进行数据分组的操作接口。例如，PairRDD提供了reduceByKey()方法，可以分别规约每个键对应的数据，还有join()方法，可以把两个RDD中键相同的元素组合在一起，合并为一个RDD。

2.创建Pair RDD

    程序示例：对一个英语单词组成的文本行，提取其中的第一个单词作为key，将整个句子作为value，建立 PairRDD

List<String> list=new ArrayList<String>();
list.add("this is a test");
list.add("how are you?");
list.add("do you love me?");
list.add("can you tell me?");
JavaRDD<String> lines=sc.parallelize(list);
JavaPairRDD<String,String> map =lines.mapToPair(
        new PairFunction<String, String, String>() {
            public Tuple2<String, String> call(String s) throws Exception {
                return new Tuple2<String, String>(s.split(" ")[0],s);
                //获取第一个单词作为key,s为value
            }
        }
);

3.PairRDD的转化操作

    PairRDD可以使用所有标准RDD上可用的转化操作。传递函数的规则也适用于PairRDD。由于PairRDD中包含二元组，所以需要传递的函数应当操作而元素而不是独立的元素。

                               PairRDD的相关转化操作如下表所示

针对两个PairRDD的转化操作 rdd={(1,2),(3,4),(3,6)} other={(3,9)}

函数名	目的	示例	结果
substractByKey	删掉RDD中键与other RDD 中的键相同的元素	rdd.subtractByKey(other)	{（1,2）}
join	对两个RDD进行内连接	rdd.join(other)	{(3,(4,9)),(3,(6,9))}
rightOuterJoin	对两个RDD进行连接操作，右外连接	rdd.rightOuterJoin(other)	{(3,(4,9)),(3,(6,9))}
leftOuterJoin	对两个RDD进行连接操作，左外连接	rdd.rightOuterJoin(other)	{(1,(2,None)),(3,(4,9)),(3,(6,9))}
cogroup	将两个RDD中拥有相同键的数据分组	rdd.cogroup(other)	{1,([2],[]),(3,[4,6],[9])}

程序实例：

针对2 中程序生成的PairRDD,删选掉长度超过20个字符的行。

JavaPairRDD<String,String> result=map.filter(
        new Function<Tuple2<String, String>, Boolean>() {
            public Boolean call(Tuple2<String, String> value) throws Exception {
                return value._2().length()<20;
            }
        }

);
for(Tuple2 tuple:result.collect()){
    System.out.println(tuple._1()+": "+tuple._2());

4.聚合操作

    RDD上有fold(),combine(),reduce()等行动操作，pair RDD上则有相应的针对键的转化操作。

    (1)reduceByKey()与reduce()操作类似，它们都接收一个函数，并使用该函数对值进行合并。reduceByKey()会为数据集中的每个键进行并行的规约操作，每个规约操作会将键相同的值合并起来。reduceBykey()最终返回一个由各键规约出来的结果值组成的新的RDD。

程序示例：用reduceByKey实现单词计数

strLine.add("how are you");
strLine.add("I am ok");
strLine.add("do you love me");
JavaRDD<String> input=sc.parallelize(strLine);
JavaRDD<String> words=input.flatMap(
        new FlatMapFunction<String, String>() {
            public Iterable<String> call(String s) throws Exception {
                return Arrays.asList(s.split(" "));
            }
        }
);
JavaPairRDD<String,Integer> result=words.mapToPair(
        new PairFunction<String, String, Integer>() {
            public Tuple2<String, Integer> call(String s) throws Exception {
                return new Tuple2(s, 1);
            }
        }
).reduceByKey(
        new org.apache.spark.api.java.function.Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        }
) ;

    (2)foldByKey()与fold()操作类似，他们都使用一个与RDD和合并函数中的数据类型相同的零值作为初始值。与fold()一样，foldByKey()操作所使用的合并函数对零值与另一个元素进行合并，结果仍为该元素。

    程序示例：求对应key的value之和

List<Tuple2<Integer,Integer>> list=new ArrayList<Tuple2<Integer, Integer>>();
list.add(new Tuple2<Integer,Integer>(1,1));
list.add(new Tuple2<Integer, Integer>(1,3));
list.add(new Tuple2<Integer, Integer>(2,2));
list.add(new Tuple2<Integer, Integer>(2,8));
JavaPairRDD<Integer,Integer> map=sc.parallelizePairs(list);
JavaPairRDD<Integer,Integer> results=map.foldByKey(0, new Function2<Integer, Integer, Integer>() {
    public Integer call(Integer v1, Integer v2) throws Exception {
        return v1 + v2;
    }
});
for(Tuple2<Integer,Integer> tuple:results.collect())
    System.out.println(tuple._1()+"->"+tuple._2());

结果：

1->4

2->10  

(3)

    combineByKey()是最为常用的基于键进行聚合的函数。大多数基于键聚合的函数都是用它实现的。和aggregate()一样，combineByKey()可以让用户返回与输入数据类型不同的返回值。combineByKey()会遍历分区中的所有元素，因此，每个元素的键要么还么有遇到过，要么就和之前的某个元素的键相同。如果这是一个新的元素，combineByKey()会使用一个叫做createCombiner()的函数来创建那个键对应的累加器的初始值。需要注意的是，这一过程会在每个分区中第一次出现每个键时发生，而不是在整个RDD中第一次出现一个键时发生。

    如果这是一个处理当前分区之前就已经遇到的键，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并。

    由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器。如果有两个或者更多的分区都有对应一个键的累加器，就需要使用用户提供的mergeCombiners()方法将各个分区的结果进行合并。

    以下程序示例使用combineBykey()求每个键对应的平均值。

public class AvgCount implements Serializable{
    private int total_;
    private int num_;
    public AvgCount(int total,int num){
        total_=total;
        num_=num;
    }
    public float avg(){
        return total_/(float) num_;
    }//createCombiner()
    static Function<Integer,AvgCount> createAcc =new Function<Integer,AvgCount>(){
        public AvgCount call(Integer x){
            return new AvgCount(x,1);
        }
    };//mergeValue()
    static Function2<AvgCount,Integer,AvgCount> addAndCount=new Function2<AvgCount, Integer, AvgCount>() {
        public AvgCount call(AvgCount a, Integer x) throws Exception {
            a.total_+=x;
            a.num_+=1;
            return a;
        }
    }; //mmergeCombiners()
    static Function2<AvgCount,AvgCount,AvgCount> combine=new Function2<AvgCount, AvgCount, AvgCount>() {
        public AvgCount call(AvgCount a, AvgCount b) throws Exception {
            a.total_+=b.total_;
            a.num_+=b.num_;
            return a;
        }
    };
    public static void main(String args[]){
        AvgCount initial =new AvgCount(0,0);
        SparkConf conf = new SparkConf().setMaster("local").setAppName("my app");
        JavaSparkContext sc = new JavaSparkContext(conf);
        List<Tuple2<Integer,Integer>> list=new ArrayList<Tuple2<Integer, Integer>>();
        list.add(new Tuple2<Integer,Integer>(1,1));
        list.add(new Tuple2<Integer, Integer>(1,3));
        list.add(new Tuple2<Integer, Integer>(2,2));
        list.add(new Tuple2<Integer, Integer>(2,8));
        JavaPairRDD<Integer,Integer> nums=sc.parallelizePairs(list);
        JavaPairRDD<Integer,AvgCount> avgCounts=nums.combineByKey(createAcc,addAndCount,combine);
        Map<Integer,AvgCount> countMap= avgCounts.collectAsMap();
        for(Map.Entry<Integer,AvgCount> entry:countMap.entrySet())
            System.out.println(entry.getKey()+": "+entry.getValue().avg());
    }
}

结果：

2: 5.0

1: 2.0

成功求出每个key对应value对应的平均值

*(4)并行度调优

    每个RDD都有固定数目的分区，分区数决定了在RDD上执行操作时的并行度。

    在执行聚合或者分组操作时，可以要求Spark使用给定的分区数。Spark始终尝试根据集群的大小推断出一个有意义的默认值，但是你可以通过对并行度进行调优来获得更好的性能表现。

    在Java中，combineByKey()函数和reduceByKey()函数的最后一个可选的参数用于指定分区的数目，即numPartitions，使用如下：

JavaPairRDD<Integer,AvgCount> avgCounts=nums.combineByKey(createAcc,addAndCount,combine,10);

5.数据分组

（1）groupByKey()

    groupByKey()会使用RDD中的键来对数据进行分组。对于一个由类型K的键和类型V的值组成的RDD，锁的到的结果RDD类型会是[K,Iterable[v]]。

    以下是程序示例，对PairRDD调用groupByKey()函数之后，会返回JavaPairRDD<Integer,Iterable<Integer>>类型的结果，也就是所有同一个Key的value都可以调用Iterator进行遍历。

List<Tuple2<Integer,Integer>> list1=new ArrayList<Tuple2<Integer, Integer>>();
list1.add(new Tuple2<Integer,Integer>(1,1));
list1.add(new Tuple2<Integer, Integer>(2,2));
list1.add(new Tuple2<Integer, Integer>(1,3));
list1.add(new Tuple2<Integer, Integer>(2,4));
JavaPairRDD<Integer,Integer> nums1=sc.parallelizePairs(list1);
JavaPairRDD<Integer,Iterable<Integer>>results =nums1.groupByKey();
//接下来遍历输出results，注意其中关于Iterable遍历的处理
for(Tuple2<Integer,Iterable<Integer>> tuple :results.collect()){
    System.out.print(tuple._1()+": ");
    Iterator<Integer> it= tuple._2().iterator();
    while(it.hasNext()){
        System.out.print(it.next()+" ");
    }
    System.out.println();
}

输出结果：

1: 1 3 

2: 2 4 

(2)cogroup()

    除了对单个RDD的数据进行分组，还可以使用cogroup()函数对对个共享同一个键的RDD进行分组。对两个键的类型均为K而值得类型分别为V和W的RDD进行cogroup()时，得到结果的RDD类型为[(K,(Iterable[V],Iterable[W]))]。如果其中一个RDD对于另一个RDD中存在的某个键没有对应的记录，那么对应的迭代器则为空。

举例：

    List<Tuple2<Integer,Integer>> list1=new ArrayList<Tuple2<Integer, Integer>>();
    List<Tuple2<Integer,Integer>> list2=new ArrayList<Tuple2<Integer, Integer>>();

    list1.add(new Tuple2<Integer,Integer>(1,1));
    list1.add(new Tuple2<Integer, Integer>(2,2));
    list1.add(new Tuple2<Integer, Integer>(1,3));
    list1.add(new Tuple2<Integer, Integer>(2,4));
    list1.add(new Tuple2<Integer, Integer>(3,4));

    list2.add(new Tuple2<Integer,Integer>(1,1));
    list2.add(new Tuple2<Integer, Integer>(1,3));
    list2.add(new Tuple2<Integer, Integer>(2,3));

    JavaPairRDD<Integer,Integer> nums1=sc.parallelizePairs(list1);
    JavaPairRDD<Integer,Integer> nums2=sc.parallelizePairs(list2);
    JavaPairRDD<Integer,Tuple2<Iterable<Integer>,Iterable<Integer>>> results=nums1.cogroup(nums2);
    for(Tuple2<Integer,Tuple2<Iterable<Integer>,Iterable<Integer>>> tuple:results.collect()){
        System.out.print(tuple._1()+" [ ");
        Iterator it1=tuple._2()._1().iterator();
        while(it1.hasNext()){
            System.out.print(it1.next()+" ");
        }
        System.out.print("] [ ");
        Iterator it2=tuple._2()._2().iterator();
        while(it2.hasNext()){
            System.out.print(it2.next()+" ");
        }
        System.out.print("] \n");
    }
}

输出：

1 [ 1 3 ] [ 1 3 ] 

3 [ 4 ] [ ] 

2 [ 2 4 ] [ 3 ] 

6.数据排序

在Java中以字符串顺序对正数进行自定义排序

(1)对RDD进行排序：

JavaRDD<Integer> nums=sc.parallelize(Arrays.asList(1,5,3,2,6,3));
JavaRDD<Integer> results =nums.sortBy(new Function<Integer, Object>() {
    public Object call(Integer v1) throws Exception {
        return v1;
    }
},false,1);
for(Integer a:results.collect())
    System.out.println(a);

(2)对PairRDD，按key的值进行排序

ist<Tuple2<Integer, Integer>> list1 = new ArrayList<Tuple2<Integer, Integer>>();
list1.add(new Tuple2<Integer, Integer>(1, 1));
list1.add(new Tuple2<Integer, Integer>(2, 2));
list1.add(new Tuple2<Integer, Integer>(1, 3));
list1.add(new Tuple2<Integer, Integer>(2, 4));
list1.add(new Tuple2<Integer, Integer>(3, 4));
JavaPairRDD<Integer, Integer> nums1 = sc.parallelizePairs(list1);
class comp implements Comparator<Integer>, Serializable {

    public int compare(Integer a, Integer b) {
        return a.compareTo(b);
    }
};
JavaPairRDD<Integer,Integer> results=nums1.sortByKey(new comp());
for(Tuple2<Integer,Integer> tuple: results.collect()){
    System.out.println(tuple._1()+": "+tuple._2());
}

7.数据分区

（1）创建数据分区

    在分布式程序中，通信的代价很大，控制数据分布以获得最少的网络传输可以极大地提升整体性能。Spark程序可以通过控制RDD分区的方式来减少通信消耗。只有当数据集多次在诸如连接这种基于键的操作中，分区才会有作用。

    Spark中所有的键值对RDD都可以进行分区。系统会根据一个针对键的函数对元素进行分组。Spark可以确保同一组的键出现在一个节点上。

    举个简单的例子，应用如下：内存中保存着很大的用户信息表，由(UserID,UserInfo[])组成的RDD,UserInfo是用户所订阅的所有主题列表。该应用会周期性地将这张表和一个小文件进行组合，这个小文件中存这过去5分钟发生的时间，其实就是一系列(UserId,LinkInfo)RDD,其中LinkInfo是用户访问的链接的主题。我们需要对用户访问其未订阅主题的页面情况进行统计。我们可以使用Spark的join()操作进行组合操作。将两者根据UserId连接之后，过滤出不在UserInfo[]中的LinkInfo,就是用户访问其未订阅主题的情况。

List<Tuple2<String,Iterable<String>>> list1=new ArrayList<Tuple2<String, Iterable<String>>>();
list1.add(new Tuple2<String, Iterable<String>>("zhou",Arrays.asList("it","math")));
list1.add(new Tuple2<String, Iterable<String>>("gan",Arrays.asList("money","book")));
JavaPairRDD<String,Iterable<String>> userData=sc.parallelizePairs(list1);
List<Tuple2<String,String>> list2=new ArrayList<Tuple2<String, String>>();
list2.add(new Tuple2<String, String>("zhou","it") );
list2.add(new Tuple2<String,String>("zhou","stock"));
list2.add(new Tuple2<String, String>("gan","money"));
list2.add(new Tuple2<String, String>("gan","book"));
JavaPairRDD<String,String> events=sc.parallelizePairs(list2);
JavaPairRDD<String, Tuple2<Iterable<String>, String>> joined =  userData.join(events);
long a=joined.filter(
        new Function<Tuple2<String, Tuple2<Iterable<String>, String>>, Boolean>() {
            public Boolean call(Tuple2<String, Tuple2<Iterable<String>, String>> tuple) throws Exception {
                boolean has = false;
                Iterable<String> user=tuple._2()._1();
                String link=tuple._2()._2();
                for (String s : user) {
                    if (s.compareTo(link) == 0) {
                        has = true;
                        break;
                    }
                }
                //保留不在用户订阅表中的RDD
                return !has;
            }
        }

).count();
System.out.println(a);

输出：1

    这段代码可以正确运行，但是效率不高。因为每5分钟就要进行一次join()操作,而我们对数据集如何分区却一无所知。默认情况下，连接操作会将两个数据集中的所有键的哈希值都求出来，将该哈希值相同的记录通过网络传到同一台机器上，然后在那台机器上对所有键相同的记录进行连接操作。因为userData表比每5分钟出现的访问日志表events要大很多，所以要浪费时间进行额外的工作：在每次调用时都对userDAta表进行哈希值计算和跨节点数据混洗，虽然这些数据从来不会变化。

    要解决此问题：在程序开始的时候，对userData表进行partitionBy()转化操作，将这张表转化为哈希分区。可以通过向patitionBy传递一个spark.HashPartitioner对象来实现该操作。

    Java自定义分区方式：

List<Tuple2<String,Iterable<String>>> list1=new ArrayList<Tuple2<String, Iterable<String>>>();
list1.add(new Tuple2<String, Iterable<String>>("zhou",Arrays.asList("it","math")));
list1.add(new Tuple2<String, Iterable<String>>("gan",Arrays.asList("money","book")));
JavaPairRDD<String,Iterable<String>> userData=sc.parallelizePairs(list1);//请注意，partitionBy是转化操作
userData=userData.partitionBy(new HashPartitioner(100)).persist(StorageLevel.MEMORY_AND_DISK());

    这样以后在调用join()时，Spark就知道了了该RDD是根据键的哈希值来分区的，这样在调用join()时，Spark就会利用这一点，只会对events进行数据混洗操作，将events中特定userId的记录发送到userData的对应分区所在的那台机器上。这样，需要网络传输的数据就大大见笑了，程序运行的速度也显著提高。

    请注意，我们还对userData 这个RDD进行了持久化操作，默认情况下，每一个由转化操作得到的RDD都会在每次执行启动操作时重新计算生成，将userData持久化之后，就能保证userData能够在访问时被快速获取。

    *进一步解释数据分区带来的好处：

    如果没有将partitionBy()转化操作的结果进行持久化，那么后面每次用到这个RDD时都会重复对数据进行分区操作。不进行持久化会导致整个RDD谱系图重新求值。那样的话，partitionBy()带来的好处就会抵消，导致重复对数据进行分区以及跨节点的混洗，和没有指定分区方式时发生的情况是十分相似的。

（2）获取数据分区的方式

接(1)中程序：

Optional<Partitioner> partitioner = userData.partitioner();
System.out.println(partitioner.get());
System.out.println(partitioner.isPresent());

    在Java中，通过调用partitioner()方法，可以获取一个Optional<Partitioner>对象，这是Scala中用来存放可能存在的对象的容器类。对该对象调用isPresent()方法可以检查其中是否有值，调用get可以获取partitionBy()的参数->1个partitioner对象。

(3)从分区中获益的操作

    Spark中的很多操作都引入了根据键跨结点进行混洗的过程。所有这些操作都会从数据分区中获益。能够从数据分区中获益的操作有：groupWith(),join(),leftOuterJoin(),rightOuterJoin(),groupByKey(),reduceByKey(),combineByKey(),以及lockup()。

    对于像reduceByKey()这样只作用于单个RDD的操作，运行在未分区的RDD的时候或导致每个键所有对应值都在每台机器上进行本地计算，只需要把本地最终归约出的结果值从各工作节点传回主节点，所以原本的网络开销就不太大。而对于诸如cogroup()和join()这样的二元操作，预先进行数据分区会导致其中至少一个RDD(使用已知分区器的那个RDD)不发生数据混洗。如果两个RDD使用同样的分区方式，并且它们还缓存在同样的机器上（比如一个RDD是通过mapValues()从另一个RDD中创建出来的，这两个RDD就会拥有相同的键和分区方式），或者其中一个RDD还没有计算出来，那么跨节点数据混洗就不会发生了。

(4)影响分区方式的操作

    所有会为生成的结果RDD设好分区方式的操作：cogroup(),groupWith(),join(),leftOuterJoin(),rightOuterJoin(),groupByKey(),reduceByKey(),combineByKey(),partitionBy(),sort(),mapValues()(如果父RDD有分区方式的话)，filter()(如果父RDD有分区方式的话)。其他所有操作生成的结果都不会存在特定的分区方式。

注意：    

    对于二元操作，输出数据的分区方式取决于父RDD的分区方式。默认情况下，结果会采用哈希分区，分区的数量和操作的并行度是一样的。如果其中一个父RDD已经设置过分区方式，那么结果就会采用那种分区方式；如果两个父RDD都设置过分区方式，结果RDD会采用第一个RDD的分区方式。

8.示例程序-PageRank

    PageRank算法是一种从RDD分区中获益的更复杂的算法，我们以它为例进行分析。PageRank算法用来根据外部文档指向一个文档的链接，对集合中每个文档的重要程度赋一个度量值。该算法可以用于对网页进行排序，当然，也可以用于排序科技文章或社交网络中有影响的用户。

    算法会维护两个数据集，一个由(pageID,linklist[])组成，包含每个页面的链接到的页面的列表；另一个由(pageID,rank)元素组成，包含每个页面的当前排序值。它按以下步骤进行计算：

    ① 将每个页面的排序值初始化为1.0

        ②在每次迭代中，向每个有直接链接的页面，发送一个值为rank(p)/numNeighbors(p)（出链数目）   的贡献量

        ③将每个页面的排序值设置为0.15+0.85*contributionsReceived

        最后两步会重复几个循环，在此过程中，算法会逐渐收敛于每个页面的实际PageRank值。在实际操作中，收敛通常需要进行十个迭代。

下面用Spark来实现PageRank算法：

public class main {
    private static class Sum implements Function2<Double, Double, Double> {
        public Double call(Double a, Double b) {
            return a + b;
        }
    }
    public static void main(String args[]){
        SparkConf conf =new SparkConf();
        conf.setAppName("my spark app");
        conf.setMaster("local");
        JavaSparkContext sc =new JavaSparkContext(conf);
        JavaRDD<String> inputs= sc.textFile("C:\\url.txt");
        /*
            #以下是url的内容：
            www.baidu.com www.hao123.com
            www.baidu.com www.2345.com
            www.baidu.com www.zhouyang.com
            www.hao123.com www.baidu.com
            www.hao123.com www.zhouyang.com
            www.zhouyang.com www.baidu.com
         */
        JavaPairRDD<String, Iterable<String>> links = inputs.mapToPair(
                new PairFunction<String, String, String>() {
                    public Tuple2<String, String> call(String s) throws Exception {
                        String[] parts = s.split(" ");
                        return new Tuple2<String, String>(parts[0], parts[1]);
                    }
                }
        ).distinct().groupByKey().cache();
        JavaPairRDD<String, Double> ranks = links.mapValues(
                new Function<Iterable<String>, Double>() {
                    public Double call(Iterable<String> v1) throws Exception {
                        return 1.0;
                    }
                }
        );
        JavaPairRDD<String, Tuple2<Iterable<String>, Double>> join = links.join(ranks);

        for(int current=0;current<10;current++){
            // Calculates URL contributions to the rank of other URLs.
            JavaPairRDD<String, Double> contribs = links.join(ranks).values()
                    .flatMapToPair(new PairFlatMapFunction<Tuple2<Iterable<String>, Double>, String, Double>() {
                        public Iterable<Tuple2<String, Double>> call(Tuple2<Iterable<String>, Double> s) {
                            int urlCount = Iterables.size(s._1());
                            List<Tuple2<String, Double>> results = new ArrayList<Tuple2<String, Double>>();
                            for (String n : s._1()) {
                                results.add(new Tuple2<String, Double>(n, s._2() / urlCount));
                            }
                            return results;
                        }
                    });

            // Re-calculates URL ranks based on neighbor contributions.
            ranks = contribs.reduceByKey(new Sum()).mapValues(new Function<Double, Double>() {
                public Double call(Double sum) {
                    return 0.15 + sum * 0.85;
                }
            });

        }
        // Collects all URL ranks and dump them to console.
        List<Tuple2<String, Double>> output = ranks.collect();
        for (Tuple2<?,?> tuple : output) {
            System.out.println(tuple._1() + " has rank: " + tuple._2() + ".");
        }
    }
}

9.Java设置自定义分区方式

    Spark允许你通过自定义Partitioner对象来控制RDD的分区方式，这样可以让你利用领域知识进一步减少通信消耗。

    举个例子，假设我们要在一个网页的集合上运行前一届中的PageRank算法。在这里，每个页面的ID是页面的URL。当我们使用简单的哈希函数进行分区时，拥有相似的URL的页面比如 http://www.baidu.com/news 与 http://www.baidu.com/map 可能被分在完全不同的节点上。但是我们知道，同一个域名下的网页更有可能相互连接。由于PageRank需要在每次迭代中从每个页面向它所有相邻的页面发送一条消息，因袭把这些页面分组在同一个分区中会更好。可以使用自定义的分区器来实现仅根据域名而不是整个URL进行分区。

    要实现先自定义Partitioner，需要继承Partitioner类并实现其下述方法：

    public int numPartitions()

        返回创建的分区数量

        public int getPartition(Object key)

        返回给定键的分区编号

        public boolean equals(Object obj)

    Spark需要这个方法来检查分区器对象是否与其他分区器实例相同，这样Spark才能判断两个RDD的分区方式是否相同。

class myPartitioner extends Partitioner{

    int num;//分区数目

    public myPartitioner(int num){//构造方法，初始化num
        this.num=num;
    }
    @Override
    public int numPartitions() {//返回分区数目
        return num;
    }

    @Override
    public int getPartition(Object key) {
        String url =(String)key;
        String domain="";
        try {
            domain=new URL(url).getHost();//获取域名
        } catch (MalformedURLException e) {
            e.printStackTrace();
        }
        int code =domain.hashCode()%num;//获取该域名对应的hash值
        if(code<0){//getPartition()方法只能返回非负数，对负数进行处理
            code+=num;
        }
        return code;
    }

    @Override
    public boolean equals(Object obj) {
        if(obj instanceof myPartitioner){//如果obj是myPartitioner的实例
            return ((myPartitioner) obj).num==num;//看分区数是否相同
        }
        else//否则直接返回false
            return false;
    }
}

    

来自为知笔记(Wiz)